昨天，我們的信鴿已經能準時把快報送到粉絲手中。
今天，我們要讓它更聰明一點——不只是送信，而是聽得懂問題、答得出內容。

這次挑戰的目標，是打造一個能理解人類語言的 ChatBot 雛型，讓它能從我們的旅遊資料庫中搜尋答案，並以自然語言回覆。

從單向傳遞資訊的信鴿進入對話世界。

讓 ChatBot 懂「語意」的關鍵技術：RAG（Retrieval-Augmented Generation）

這是 ChatBot 智慧的核心公式：「先找資料，再回答問題。」
它的運作分三步：

1. Embedding（轉向量）：先把每段文字變成語意座標。
2. Retrieval（檢索）：根據語意找出最相近的內容。
3. Generation（生成）：把找到的內容送進模型，生成最貼近問題的回答。

他會先翻筆記再回答——答得更準、更有根據。

循序漸進的智慧養成

step 1：旅遊筆記庫 x RAG

整合我們的旅遊資料庫，包括景點名稱、好評比例、智慧摘要，並參考 Nepal Tourism Board 的特色活動與天氣資訊，打造適合作為 RAG 索引的 .jsonl 格式，讓 ChatBot 能找到與提問符合、最接近的內容。

旅遊筆記庫內含豐富資訊，是 ChatBot 的核心大腦。

step 2：NLP 對話建模

我們採取循序漸進的方式測試與學習，從最簡單的版本開始，一步步升級：從最初的 rule-based → TF-IDF 檢索 → SentenceTransformer → Gemini API 升級，我們讓 ChatBot 的理解力一層一層增強。

rule-based：以 TextBlob 簡單判斷情緒搭配 if/else ，極為陽春，基本讓你覺得它就是個機器人。

TF-IDF：以 TextBlob 簡單判斷情緒搭配 TF-IDF 建立向量，偏向資料檢索，但回答還是很陽春，基本也是回答一樣的內容，很常文不對題。

SentenceTransformer： 以 SentenceTransformer 模型建立語意向量，這次有誠意多了，回答的主題符合，但還是有機器感。

Gemini LLM x FAISS：以 SentenceTransformer 模型建立語意向量、 FAISS 快速檢索 RAG 旅遊筆記庫，搭配 Gemini-2.5-flash API 接上大語言模型，回應品質大大提升。

實作進展與關鍵突破

透過 Gemini LLM x FAISS 的組合技，我們成功整合 RAG 檢索與旅遊資料，打造能「理解問題、檢索內容、生成回覆」的 ChatBot 雛形。

現在，它能依使用者提問，自動找出關聯評論，並整合成自然回覆。

當粉絲收到信鴿送來的快報後， 心理的疑問能透過 ChatBot 得到值得參考的資訊。範例：

成功打造 ChatBot 的幕後英雄

• SentenceTransformer（語意嵌入）：讓電腦理解「意思相近」的文字，而不只是字面比對。每句話都有自己的語意座標。
• FAISS（向量檢索）：Facebook 開發的高效向量搜尋工具，能在大量資料中快速找到與提問語意最相近的內容。
• Gemini 2.5 Flash（生成引擎）：當檢索結果找出來後，它將資料重組為自然語言回答，讓回覆不再呆板。

今天解鎖的新技能：

🍄 RAG 架構實作能力：學會將資料庫與生成模型結合，打造能回答問題的智慧代理。
🍄 循序漸進的升級策略：掌握從 rule-based 到 LLM 的逐步測試與迭代方法，降低開發風險。
🍄 語意向量思維：理解文字不只是字面比對，而是把每句話轉成向量座標進行檢索。

📓 小結：

從「信鴿送快報」到「智慧 ChatBot」，今天我們完成了資料理解與語意檢索的第一步。
它不再只是單向傳遞資訊，而開始能「聽懂問題、找資料、回答問題」。
明日的挑戰，就是讓這隻信鴿更進一步——真正與使用者互動，成為會聊天、懂你的魔法助手。